Datawhale 魔搭 AI夏令营 第四期 AIGC方向 Tesk2 可图Kolors-LoRA模子进阶 ...

AI生图的本领与范围

• AI生图的原理
  

        AI利用 深度学习技能来训练神经网络，训练过程中，神经网络会学习到真实图像中的纹理、结构、颜色等特性，并将这些特性应用于生成新的图像。从而生成具有高保真度的图像。训练后，通过输入关键提示词来让模子生成期待的图片。

• AI生图目前的本领
  

        目前，AI生图技能已经在多个领域显现出其强盛的本领。例如，通过AI，设计师可以创造出具有高保真度和传神度的游戏情况和人物，从而提供更加沉浸式的游戏体验。以下图片是Flux.1 文本生图模子显现的AI作图。

• AI生图的范围与风险
  

• 尽管技能进步显著，AI生图仍然存在一定的随机性，用户难以完全控制生成的细节，例如在生成多个图片时，同一个人物可能差别一。
  
• AI生图模子可能在理解复杂语义和抽象概念上存在难度，例如对“红烧狮子头”等歧义或抽象概念的理解可能存在偏差。
  
• AI生成的内容可能涉及版权问题，尤其是在使用公开数据进行训练时，可能存在从训练数据中复制图像而不是生成新图像的风险。
  
• AI图像生成工具的低成本和易操作性可能导致信息滥用问题，如隐私泄漏和伪造欺诈。（这里尤其是要注意换脸技能导致的欺诈）
  

• 如何有效识别AI生图
  

• 观察图片的细节。仔细查抄人物的面部特性，尤其是眼睛和嘴巴
  
• 查抄光线和阴影。分析图片中的光源是否一致，阴影的方向是否与光源相符，是否存在不天然的光线或阴影
  
• 分析像素。放大图片，寻找是否有含糊或像素化的部分。
  
• 注意配景。查抄配景中是否有不协调的元素，比如物体边缘是否平滑，配景中是否有不天然的重复模式。
  

• 关注AI生图的利益
  

• 对于寻常人来说，可以制止被常见的AI生图场景诱骗，偶然也可以通过相关工具绘图
  
• 对于创作者来说，通过AI生图的工具可以快速提效，制作自己所必要的内容
  
• 对于技能人来说，了解AI生图的本领的玩法，可以更好地针对自己的业务进行开发和使用，甚至攻克困难开发更实用的工具
  

本期新朋友——通义千问

• 大模子-通义千问
  

        所谓打败魔法就要使用魔法，我们要想快速进阶AI生图，有一个好助手是事半功倍的，本日我们使用的是通义千问大模子来带领我们办理学习AI生图时的问题。
使用通义千问的办法很简朴如下
官方链接：https://tongyi.aliyun.com/qianwen/

• 使用大模子快速通关baseline代码
  

        在之前的Test1中，我们依照官方给的方法，使用baseline输出了自界说的图片。但是好学的你们肯定想知道每行代码什么意思，起到了什么作用，每个模块又是怎么互相作用在一起到达文本生图的这个结果的。那么我们可以请出代码小帮手通义千问快速通过baseline代码。
现在我们先把我们baseline中的所有代码整理出来，代码结构如下：

1. !pip install simple-aesthetics-predictor
3. !pip install -v -e data-juicer
5. !pip uninstall pytorch-lightning -y
6. !pip install peft lightning pandas torchvision
8. !pip install -e DiffSynth-Studio
10. from modelscope.msdatasets import MsDataset
12. ds = MsDataset.load(
13.     'AI-ModelScope/lowres_anime',
14.     subset_name='default',
15.     split='train',
16.     cache_dir="/mnt/workspace/kolors/data"
17. )
19. import json, os
20. from data_juicer.utils.mm_utils import SpecialTokens
21. from tqdm import tqdm
24. os.makedirs("./data/lora_dataset/train", exist_ok=True)
25. os.makedirs("./data/data-juicer/input", exist_ok=True)
26. with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
27.     for data_id, data in enumerate(tqdm(ds)):
28.         image = data["image"].convert("RGB")
29.         image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
30.         metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
31.         f.write(json.dumps(metadata))
32.         f.write("\n")
34. data_juicer_config = """
35. # global parameters
36. project_name: 'data-process'
37. dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
38. np: 4  # number of subprocess to process your dataset
40. text_keys: 'text'
41. image_key: 'image'
42. image_special_token: '<__dj__image>'
44. export_path: './data/data-juicer/output/result.jsonl'
46. # process schedule
47. # a list of several process operators with their arguments
48. process:
49.     - image_shape_filter:
50.         min_width: 1024
51.         min_height: 1024
52.         any_or_all: any
53.     - image_aspect_ratio_filter:
54.         min_ratio: 0.5
55.         max_ratio: 2.0
56.         any_or_all: any
57. """
58. with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
59.     file.write(data_juicer_config.strip())
61. !dj-process --config data/data-juicer/data_juicer_config.yaml
63. import pandas as pd
64. import os, json
65. from PIL import Image
66. from tqdm import tqdm
69. texts, file_names = [], []
70. os.makedirs("./data/data-juicer/output/images", exist_ok=True)
71. with open("./data/data-juicer/output/result.jsonl", "r") as f:
72.     for line in tqdm(f):
73.         metadata = json.loads(line)
74.         texts.append(metadata["text"])
75.         file_names.append(metadata["image"][0])
77. df = pd.DataFrame({"text": texts, "file_name": file_names})
78. df.to_csv("./data/data-juicer/output/result.csv", index=False)
80. df
82. from transformers import CLIPProcessor, CLIPModel
83. import torch
85. model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
86. processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")
88. images = [Image.open(img_path) for img_path in df["file_name"]]
89. inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)
91. outputs = model(**inputs)
92. logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
93. probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities
95. probs
97. from torch.utils.data import Dataset, DataLoader
99. class CustomDataset(Dataset):
100.     def __init__(self, df, processor):
101.         self.texts = df["text"].tolist()
102.         self.images = [Image.open(img_path) for img_path in df["file_name"]]
103.         self.processor = processor
105.     def __len__(self):
106.         return len(self.texts)
108.     def __getitem__(self, idx):
109.         inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
110.         return inputs
112. dataset = CustomDataset(df, processor)
113. dataloader = DataLoader(dataset, batch_size=8)
115. for batch in dataloader:
116.     outputs = model(**batch)
117.     logits_per_image = outputs.logits_per_image
118.     probs = logits_per_image.softmax(dim=1)
119.     print(probs)
121. import torch
122. from diffusers import StableDiffusionPipeline
124. torch.manual_seed(1)
125. pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
126. pipe = pipe.to("cuda")
128. prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
129. negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
130. guidance_scale = 4
131. num_inference_steps = 50
133. image = pipe(
134.     prompt=prompt,
135.     negative_prompt=negative_prompt,
136.     guidance_scale=guidance_scale,
137.     num_inference_steps=num_inference_steps,
138.     height=1024,
139.     width=1024,
140. ).images[0]
142. image.save("example_image.png")
143. image
145. from PIL import Image
147. torch.manual_seed(1)
148. image = pipe(
149.     prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
150.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
151.     cfg_scale=4,
152.     num_inference_steps=50, height=1024, width=1024,
153. )
154. image.save("1.jpg")
156. torch.manual_seed(1)
157. image = pipe(
158.     prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
159.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
160.     cfg_scale=4,
161.     num_inference_steps=50, height=1024, width=1024,
162. )
163. image.save("2.jpg")
165. torch.manual_seed(2)
166. image = pipe(
167.     prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
168.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
169.     cfg_scale=4,
170.     num_inference_steps=50, height=1024, width=1024,
171. )
172. image.save("3.jpg")
174. torch.manual_seed(5)
175. image = pipe(
176.     prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
177.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
178.     cfg_scale=4,
179.     num_inference_steps=50, height=1024, width=1024,
180. )
181. image.save("4.jpg")
183. torch.manual_seed(0)
184. image = pipe(
185.     prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
186.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
187.     cfg_scale=4,
188.     num_inference_steps=50, height=1024, width=1024,
189. )
190. image.save("5.jpg")
192. torch.manual_seed(1)
193. image = pipe(
194.     prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
195.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
196.     cfg_scale=4,
197.     num_inference_steps=50, height=1024, width=1024,
198. )
199. image.save("6.jpg")
201. torch.manual_seed(7)
202. image = pipe(
203.     prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
204.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
205.     cfg_scale=4,
206.     num_inference_steps=50, height=1024, width=1024,
207. )
208. image.save("7.jpg")
210. torch.manual_seed(0)
211. image = pipe(
212.     prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
213.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
214.     cfg_scale=4,
215.     num_inference_steps=50, height=1024, width=1024,
216. )
217. image.save("8.jpg")
219. import numpy as np
220. from PIL import Image
223. images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
224. image = np.concatenate([
225.     np.concatenate(images[0:2], axis=1),
226.     np.concatenate(images[2:4], axis=1),
227.     np.concatenate(images[4:6], axis=1),
228.     np.concatenate(images[6:8], axis=1),
229. ], axis=0)
230. image = Image.fromarray(image).resize((1024, 2048))
231. image

复制代码

• 分析代码的主体架构
  

        起首我们可以对通义千问输入
：你是一个良好的python开发工程师，现在我们必要你帮我们分析这个代码的主体框架，你必要把代码按照工作流分成几部分，用中文回答我的问题。{此处更换前面的代码}
通义千问的输出结果为

• 安装和卸载依赖包
  
• 加载数据集
  
• 数据预处理
  
• 使用 Data-Juicer 进行数据处理
  
• 数据整理与训练
  
• 图像生成
  
• 归并图像
  

整个流程涵盖了从数据加载、预处理、特性提取、模子猜测到图像生成等多个方面。每一部分都有其特定的功能，共同构成了一个完整的二次元图像处理和生成的工作流。
下面是逐行代码及其中文注释：

1. # 安装 Data-Juicer 和 DiffSynth-Studio
2. !pip install simple-aesthetics-predictor # 安装simple-aesthetics-predictor
3. !pip install -v -e data-juicer # 安装data-juicer
4. !pip uninstall pytorch-lightning -y # 卸载pytorch-lightning
5. !pip install peft lightning pandas torchvision # 安装 peft lightning pandas torchvision
6. !pip install -e DiffSynth-Studio # 安装DiffSynth-Studio
8. # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime
9. from modelscope.msdatasets import MsDataset  #引入数据集模块msdatasets
10. ds = MsDataset.load(
11.     'AI-ModelScope/lowres_anime',
12.     subset_name='default',
13.     split='train',
14.     cache_dir="/mnt/workspace/kolors/data" # 指定缓存目录
15. ) # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime，赋值给参数ds
17. # 生成数据集
18. import json, os # 导入json和os模块
19. from data_juicer.utils.mm_utils import SpecialTokens # 导入SpecialTokens
20. from tqdm import tqdm # 导入tqdm进度条管理
21. os.makedirs("./data/lora_dataset/train", exist_ok=True) # 创建文件夹./data/lora_dataset/train
22. os.makedirs("./data/data-juicer/input", exist_ok=True) # 创建文件夹./data/data-juicer/input
23. with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
24.     for data_id, data in enumerate(tqdm(ds)): # 遍历数据集ds
25.         image = data["image"].convert("RGB") # 将数据集的图片转换为RGB
26.         image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存数据集的图片
27.         metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]} # 生成当前图片的索引数据
28.         f.write(json.dumps(metadata)) # 将索引数据写入文件./data/data-juicer/input/metadata.jsonl
29.         f.write("\n")
31. # 配置data-juicer，并进行数据筛选过滤
32. # 配置过滤的规则
33. data_juicer_config = """
34. # global parameters
35. project_name: 'data-process' # 名称
36. dataset_path: './data/data-juicer/input/metadata.jsonl'  # 你前面生成的数据的索引文件
37. np: 4  # 线程数
39. text_keys: 'text' # 文件./data/data-juicer/input/metadata.jsonl的描述的字段名
40. image_key: 'image' # 文件./data/data-juicer/input/metadata.jsonl的图片字段名
41. image_special_token: '<__dj__image>'
43. export_path: './data/data-juicer/output/result.jsonl' # 筛选通过的图片结果保存的的索引文件
45. # process schedule
46. # a list of several process operators with their arguments
47. # 过滤的规则
48. process:
49.     - image_shape_filter: # 图片尺寸过滤
50.         min_width: 1024 # 最小宽度1024
51.         min_height: 1024 # 最小高度1024
52.         any_or_all: any # 符合前面条件的图片才会被保留
53.     - image_aspect_ratio_filter: # 图片长宽比过滤
54.         min_ratio: 0.5 # 最小长宽比0.5
55.         max_ratio: 2.0 # 最大长宽比2.0
56.         any_or_all: any # 符合前面条件的图片才会被保留
57. """
59. # 保存data-juicer配置到data/data-juicer/data_juicer_config.yaml
60. with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
61.     file.write(data_juicer_config.strip())
62. # data-juicer开始执行数据筛选
63. !dj-process --config data/data-juicer/data_juicer_config.yaml
66. # 通过前面通过data-juicer筛选的图片索引信息./data/data-juicer/output/result.jsonl，生成数据集
67. import pandas as pd # 导入pandas
68. import os, json # 导入os和json
69. from PIL import Image # 导入Image
70. from tqdm import tqdm # 导入tqdm进度条管理
71. texts, file_names = [], [] # 定义两个空列表，分别存储图片描述和图片名称
72. os.makedirs("./data/lora_dataset_processed/train", exist_ok=True) # 创建文件夹./data/lora_dataset_processed/train
73. with open("./data/data-juicer/output/result.jsonl", "r") as file: # 打开前面data-juicer筛选的图片索引文件./data/data-juicer/output/result.jsonl
74.     for data_id, data in enumerate(tqdm(file.readlines())): # 遍历文件./data/data-juicer/output/result.jsonl
75.         data = json.loads(data) # 将json字符串转换为对象
76.         text = data["text"] # 获取对象中的text属性，也就是图片的描述信息
77.         texts.append(text) # 将图片的描述信息添加到texts列表中
78.         image = Image.open(data["image"][0]) # 获取对象中的image属性，也就是图片的路径,然后用这个路径打开图片
79.         image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg" # 生成保存图片的路径
80.         image.save(image_path) # 将图片保存到./data/lora_dataset_processed/train文件夹中
81.         file_names.append(f"{data_id}.jpg") # 将图片名称添加到file_names列表中
82. data_frame = pd.DataFrame() # 创建空的DataFrame
83. data_frame["file_name"] = file_names # 将图片名称添加到data_frame中
84. data_frame["text"] = texts # 将图片描述添加到data_frame中
85. data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig") # 将data_frame保存到./data/lora_dataset_processed/train/metadata.csv
86. data_frame # 查看data_frame
89. # 下载可图模型
90. from diffsynth import download_models # 导入download_models
91. download_models(["Kolors", "SDXL-vae-fp16-fix"]) # 下载可图模型
92. # DiffSynth-Studio提供了可图的Lora训练脚本，查看脚本信息
93. !python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py -h
96. # 执行可图Lora训练
97. import os
98. cmd = """
99. python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py
100.   --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
101.   --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
102.   --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
103.   --lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求
104.   --lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
105.   --dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
106.   --output_path ./models \ # 指定输出路径，用于保存模型
107.   --max_epochs 1 \ # 设置最大训练轮数为 1
108.   --center_crop \ # 启用中心裁剪，这通常用于图像预处理
109.   --use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
110.   --precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用
111. """.strip()
112. os.system(cmd) # 执行可图Lora训练
115. # 加载lora微调后的模型
116. from diffsynth import ModelManager, SDXLImagePipeline # 导入ModelManager和SDXLImagePipeline
117. from peft import LoraConfig, inject_adapter_in_model # 导入LoraConfig和inject_adapter_in_model
118. import torch # 导入torch
119. # 加载LoRA配置并注入模型
120. def load_lora(model, lora_rank, lora_alpha, lora_path):
121.     lora_config = LoraConfig(
122.         r=lora_rank, # 设置LoRA的秩(rank)
123.         lora_alpha=lora_alpha, # 设置LoRA的alpha值，控制LoRA的影响权重
124.         init_lora_weights="gaussian", # 初始化LoRA权重为高斯分布
125.         target_modules=["to_q", "to_k", "to_v", "to_out"], # 指定要应用LoRA的模块
126.     )
127.     model = inject_adapter_in_model(lora_config, model) # 将LoRA配置注入到模型中
128.     state_dict = torch.load(lora_path, map_location="cpu") # 加载LoRA微调后的权重
129.     model.load_state_dict(state_dict, strict=False) # 将权重加载到模型中，允许部分权重不匹配
130.     return model # 返回注入LoRA后的模型
131. # 加载预训练模型
132. model_manager = ModelManager(
133.     torch_dtype=torch.float16, # 设置模型的数据类型为float16，减少显存占用
134.     device="cuda", # 指定使用GPU进行计算
135.     file_path_list=[
136.         "models/kolors/Kolors/text_encoder", # 文本编码器的路径
137.         "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors", # UNet模型的路径
138.         "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors" # VAE模型的路径
139.     ]
140. )
141. # 初始化图像生成管道
142. pipe = SDXLImagePipeline.from_model_manager(model_manager) # 从模型管理器中加载模型并初始化管道
143. # 加载并应用LoRA权重到UNet模型
144. pipe.unet = load_lora(
145.     pipe.unet,
146.     lora_rank=16, # 设置LoRA的秩(rank)，与训练脚本中的参数保持一致
147.     lora_alpha=2.0, # 设置LoRA的alpha值，控制LoRA对模型的影响权重
148.     lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt" # 指定LoRA权重的文件路径
149. )
152. # 生成图像
153. torch.manual_seed(0) # 设置随机种子，确保生成的图像具有可重复性。如果想要每次生成不同的图像，可以将种子值改为随机值。
154. image = pipe(
155.     prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙", # 设置正向提示词，用于指导模型生成图像的内容
156.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度", # 设置负向提示词，模型会避免生成包含这些特征的图像
157.     cfg_scale=4, # 设置分类自由度 (Classifier-Free Guidance) 的比例，数值越高，模型越严格地遵循提示词
158.     num_inference_steps=50, # 设置推理步数，步数越多，生成的图像细节越丰富，但生成时间也更长
159.     height=1024, width=1024, # 设置生成图像的高度和宽度，这里生成 1024x1024 像素的图像
160. )
161. image.save("1.jpg") # 将生成的图像保存为 "1.jpg" 文件
164. # 图像拼接，展示总体拼接大图
165. import numpy as np  # 导入numpy库，用于处理数组和数值计算
166. from PIL import Image  # 导入PIL库中的Image模块，用于图像处理
167. images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]  # 读取1.jpg到8.jpg的图像，转换为numpy数组，并存储在列表images中
168. image = np.concatenate([  # 将四组图像在垂直方向上拼接
169.     np.concatenate(images[0:2], axis=1),  # 将第1组（images[0:2]）的两张图像在水平方向上拼接
170.     np.concatenate(images[2:4], axis=1),  # 将第2组（images[2:4]）的两张图像在水平方向上拼接
171.     np.concatenate(images[4:6], axis=1),  # 将第3组（images[4:6]）的两张图像在水平方向上拼接
172.     np.concatenate(images[6:8], axis=1),  # 将第4组（images[6:8]）的两张图像在水平方向上拼接
173. ], axis=0)  # 将四组拼接后的图像在垂直方向上拼接
174. image = Image.fromarray(image).resize((1024, 2048))  # 将拼接后的numpy数组转换为图像对象，并调整大小为1024x2048像素
175. image  # 输出最终生成的图像对象，用于显示图像

复制代码

使用大模子来自界说文本生图

 将这些复制到baseline自界说区域中

 结果如下

 

 

结语与筹划

        本次了解目前AI生图的前沿本领与范围，可以明显的发现，AI生图已经悄无声息的潜入了我们每一个人的生活中，因此，对它有一个充分，理性的对待是十分有必要的。我们也注意了AI生图的风险挑战，对于技能人员，这是他们必要重点办理的挑战，对于我们寻常人而言也要关注会给我们生活带来的不利影响。
        在大模子的资助下，我们可以快速理解代码，但是这样子理解总结的照旧差点什么，也许理解的不够深刻，照旧处于比较肤浅的对模子代码进行了认识。
        筹划再看些精选论文，增强这方面的知识储备，期待在下个Tesk学习。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。